基于转移学习的自动重量再分配组合模型,用于电力行业的泄漏检测

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 声学信号处理 声学信号处理

背景情况:

• 将人工智能集成到发电厂行业需要强大的泄漏检测系统.
• 特定站点的人工智能方法在不同的操作环境中面临挑战.
• 准确诊断泄漏信号对于工厂的安全性和效率至关重要.

研究的目的:

• 开发一种有效的深度学习技术,用于在各种发电厂环境中诊断泄漏信号.
• 使用转移学习克服特定站点人工智能方法的局限性.
• 为了提高基于AI的泄漏检测的准确性和可靠性.

主要方法:

• 提出了一个基于转移学习 (TL) 的自动重量重新分配组合模型.
• 将时间序列的声学数据处理成3D根-平均-平方 (RMS) 和频率体积特征.
• 采用了两阶段的TL流程:初始的特定领域培训,然后通过软max分数调整重量以进行组合再培训.

主要成果:

• 拟议的方法有效地将低级泄漏与噪声区分开来.
• 即使使用非常有限的训练数据,也能实现准确的泄漏检测.
• 与现有技术相比,在各种环境中表现出优越的性能.

结论:

• 开发的基于TL的组合模型为动力发电厂的AI驱动泄漏检测提供了通用的解决方案.
• 这种方法通过解决数据稀缺性和环境多样性,提高了AI在工业环境中的适用性.
• 该技术通过可靠的泄漏识别,在确保发电厂的运行完整性方面取得了重大进展.